Python正则表达式进阶-零宽断言

Python正则表达式进阶-零宽断言

1. 什么是零宽断言
　　有时候在使用正则表达式做匹配的时候，我们希望匹配一个字符串，这个字符串的前面或后面需要是特定的内容，但我们又不想要前面或后面的这个特定的内容，这时候就需要零宽断言的帮助了。所谓零宽断言，简单来说就是匹配一个位置，这个位置满足某个正则，但是不纳入匹配结果的，所以叫“零宽”，而且这个位置的前面或后面需要满足某种正则。

2、不同的零宽断言

　　零宽断言：正向和反向两类，每类又分为：预测先行和回顾后发；

　　正预测先行：简称正向先行断言，语法：(?=exp)，它断言此位置的后面能匹配表达式exp,但不包含此位置；
　　如：a(?=\d),返回匹配字符串中以数字为结尾的a字符。

　　正回顾后发：简称正向后发断言，语法：(?<=exp)，它断言此位置的前面能匹配表达式exp；
　　如：(?<=\d)a,返回匹配字符串中以数字为开头的a字符。

　　负预测先行：简称反向先行断言，语法：(?!exp),它断言此位置的后面不能匹配表达式exp;
　　如：a(?!\d),返回不匹配字符串中以数字结尾的a字符。

　　负回顾后发：简称反向后发断言，语法：(?<!exp),它断言此位置的前面不能匹配表达式exp；
　　如：a(?<!exp)a,返回不匹配字符串中以数字开头的a字符。

3、零宽断言的实践与总结

　　示例：提取<div>Hello World</div>中Hello World

　　目标字符串：Hello World

　　根据以上所说，当我们需要提取字符串的时候，可以用断言，思路如下：

　　首先，目标字符串是hello world，那么它可以归纳为 .* ；

　　其次，目标字符串前面有<div>，既然是前面有，那么根据四种断言的含义，容易得出用正向后发断言(?<=exp)，将它放在目标字符串前面，得到(?<=<div>).*，进一步可以将div归纳为[a-zA-Z]+，从而得到(?<=<[a-zA-Z]+>).*；

　　最后，目标字符串后面有</div>，既然是后面有，那么根据四种断言的含义，容易得出用正向先行断言(?=exp)，将它放在目标字符串后面，从而得到(?<=<[a-zA-Z]+>).*(?=</[a-zA-Z]+>)；

　　进一步的，我们发现前后两个断言中都有[a-zA-Z]+，可以使用分组来避免书写重复的内容：(?<=<([a-zA-Z]+)>).*(?=</\1>)，当然也可以使用命名分组，这里就不展开了。

　　说到这里，我归纳出了几句书写断言的口诀：

　　　　前面有，正向后发(?<=exp)，放前面；

　　　　后面有，正向先行(?=exp)，放后面；

　　　　前面无，反向后发(?<!exp)，放前面；

　　　　后面无，反向先行(?!exp)，放后面。

　　请记住，这个前面和后面是针对目标字符串，也就是你要提取出来的字符串而言的。

4、实战：

　　4.1、正向先行(?=exp)：获取字符串中以ing结尾的字符：

　　4.2、正向后发(?<=exp)：获取字符串中以do开头的单词后半部分：

　　4.3、反向先行(?!exp)：匹配出字符串中不是以ing结尾的单词：

　　此处有雷，如果字符串变成“do  run going hing”你再试试看，此处有待解决。

　　4.4、反向后发(?<!exp)：匹配字符串中不以do开头的单词：

　　此处有雷，同上

 　　总结：主要原因是因为反向断言不支持匹配不定长的表达式；

 　　4.5、正向先行后发断言结合应用：字符串时ip地址，获取整数部分